[发明专利]一种面向时序数据快速预测的轻量化时间卷积网络

权利要求书

1.一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：包括以序列x0,...xT为输入，旨在预测xT对应的预测输出y^T，轻量化时间卷积网络公式如下所示：

轻量化时间卷积网络主要包含两大结构：因果卷积和步长卷积，在因果卷积中，每一个卷积层位于时刻t的计算数值依赖于上一层位于时刻t及该时刻之前的计算数值，如下所示：

其中t＝1,...,T,T是时间序列的长度，n是卷积层所在层数，f(·)代表相应的卷积过程。

2.根据权利要求1所述的一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：所述轻量化时间卷积网络的具体结构为：包含多层卷积块和全连接层；压缩特征会通过多层卷积块计算得到并应用于后续的全连接层中；在一个卷积块中包含一层带有(k-1)大小paading的一维全卷积，也就是因果卷积，一层带有适当大小padding的一维步长卷积，激活函数采用ReLU函数，其中k是卷积核大小，每一卷基层都包含多个滤波器，同时在卷积块中采用weightnorm和dropout来改善网络表现，在全连接层中采用ReLU激活函数，同时可根据输出值的范围大小可选择全连接层中的最后一层采用Sigmoid、ReLU或其他激活函数；每一个卷积块的输出长度将是输入长度的1/s；如果最后一个卷积块的输入长度与全局卷积核大小相近，其最后卷积块的卷积核大小可以设定为该卷积块的输入长度，此时预测值y^T可以依靠长度为k_n·s_n-1的历史信息，其中n是卷积块的数量，kn是最后以卷积块的卷集合大小。

3.根据权利要求2所述的一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：对于时序数据分类预测，在进行时序数据分类预测时，假设分类类别个数为m，时序数据维度为(nl,nc)，其中nl为时序数据长度，nc为时序数据通道数，根据时序数据维度设定轻量化时间卷积网络的步长卷积块具体超参数，再根据轻量化时间卷积网络的步长卷积块输出的压缩特征和分类类别个数设定全连接层的超参数；此时轻量化卷积网络的输入特征所需维度是(nl,nc)，输出是分类类别序号，维度为1。

4.根据权利要求3所述的一种面向时序数据快速预测的轻量化时间卷积网络，其特征在于：在进行时序数据回归预测时，假设时序数据维度为(nl,nc)，其中nl为时序数据长度，nc为时序数据通道数；根据时序数据维度设定轻量化时间卷积网络的步长卷积块具体超参数，再根据轻量化时间卷积网络的步长卷积块输出的压缩特征和分类类别个数设定全连接层的超参数；其中最后输出的神经元的激活函数可根据期望回归数值范围进行选取，如期望输出范围是[0,1]时可选用Sigmoid激活函数，[0,∞]时可选用ReLU激活函数；此时轻量化卷积网络的输入特征所需维度是(nl,nc)，输出是预期回归数值，维度为1。